Cette présentation se concentrera sur SASHIMI (Hannud Abdo, 2021), une approche de méthodes mixtes basée sur les réseaux, récemment développée au sein de l'UMR-LISIS et de la plateforme Cortext, et disponibles à la fois en tant que suite de méthodes « no code » dans le service en-ligne gratuit Cortext Manager, et sous forme d'une bibliothèque logicielle libre et open-source. Nous présenterons SASHIMI à travers quelques exemples d'analyses socio-sémantiques : (a) dans le domaine des Études de Transition, une enquête sur la diversité de manifestations disciplinaires, dans l'ensemble des sciences sociales, du « problème de recherche de la déstabilisation des systèmes socio-techniques », qui cherche à informer les études actuelles sur la déstabilisation/discontinuité/phase-out, avec une compréhension plus large du problème ; (b) dans le domaine des Sciences, Techniques et Société, une analyse de documents politiques relatifs à la règlementation de l'intelligence artificielle, identifiant l'interaction entre les principaux acteurs associés à différents thèmes, secteurs et perspectives (solutionnisme, contestation, règlementation) de la question. SASHIMI est basé sur des modèles de domaine-thématique (« domain-topic models »), une application du clustering de réseaux qui synthétise le clustering de documents (ou le clustering de tout type d'hypernœud) et les modèles thématiques. Il est également basé sur une suite d'interfaces humaines — cartes de blocs, cartes de réseaux, et tableaux munis d'hyperliens — qui permettent une exploration et une visualisation interactives des différents types de clusters, et de leurs relations, à des niveaux discrets de granularité allant du corpus entier au document individuel, du vocabulaire entier au mot individuel. L'aspect clustering est basé sur des méthodes modernes de détection des communautés, à savoir le « nested stochastic block model » (Peixoto, 2015), tout en introduisant une nouvelle fonctionnalité pour permettre le clustering subséquent de dimensions attribuées aux hypernœuds (documents), telles que les personnes, le temps, le lieu ou d'autres métadonnées catégoriques, qui n'ont pas participé au clustering initial — exclues, par exemple, afin de produire des clusters de documents « sémantiques » basés exclusivement sur le contenu textuel. Nous donnons le nom de « chainage » à cette procédure particulière. Dans le contexte des exemples susmentionnés, nous expliquerons un ensemble de concepts et de pratiques, émergeant de notre utilisation, pour co-construire du sens de manière productive entre, d'un côté, les représentations offertes par les modèles et les interfaces, et de l'autre les objectifs, les contributions et les choix d'un chercheur muni de connaissances de terrain et expérientielles. En particulier, comment interpréter les clusters et les scores de spécificité et de communalité des relations inter-clusters employés dans les cartes, comment construire des séquences d'opérations de délimitation de corpus et de chainage de dimensions et les interpréter, et enfin comment construire des groupes de domaines cohérents que nous appelons « constellations », et identifier des flux d'attributs dans leurs cœurs et leurs frontières.